1.序列化推荐中的频率GRU与Transformer源码解析之一
2.怎样将电网频率用于多媒体取证？面向音频取证的电网频率检测与增强有源码
3.（论文加源码）基于连续卷积神经网络（CNN）（SVM）（MLP）提取脑电微分熵特征的DEAP脑电情绪识别
4.kvcdå¶ä½
5.TiFlash 源码阅读（一） TiFlash 存储层概览
序列化推荐中的GRU与Transformer源码解析之一
GRU4Rec源码(TF版本)：github.com/Songweiping/...
Transformer源码：github.com/kang/SASR...
序列化推荐领域中，GRU4Rec成功地将循环神经网络(NLP和时序预测常用)应用至推荐领域，表源此模型取得了良好效果。频率紧随其后的表源是"SASR"，基于注意力机制的频率自适应序列推荐模型，实验表明其性能超越了GRU4Rec。表源主力买入卖出源码
两篇论文的频率作者均在源码公开阶段，为研究者提供参考。表源我们深入剖析源码，频率后续系列文章将比较GRU4Rec与SASR的表源差异、联系与优缺点。频率
GRU4Rec模型结构简洁，表源采用门限循环神经网络，频率Embedding层处理item_id的表源one_hot编码，降低维度，频率便于优化。
并行化训练数据集优化了模型训练速度，构建了training_batch，fusionapp音乐源码便于使用GPU加速矩阵运算。
负采样技术提高了训练频率，利用同一时刻不同session中的item作为负样本。
模型设计了贝叶斯排序和TOP1等pairwise方法计算排序损失，认为pairwise结果优于pointwise。
实验数据集包括RSC和私有VIDEO集，结果表明GRU4Rec模型性能优秀，测试集评价指标包括召回率(recall)和倒序排名得分(mrr)。
深入分析模型的Tensorflow版本代码，主要从main.py和model.py文件开始，重点解析模型定义、损失函数、GRU4Rec核心代码、数据集初始化、模型训练与预测以及评估函数。
GRU4Rec的代码分析暂告一段落，后续将详细梳理SASR代码，iotivity源码解析目标是通过三篇文章全面探讨两个模型的细节。感谢关注。
怎样将电网频率用于多媒体取证？面向音频取证的电网频率检测与增强有源码
多媒体来源取证与真伪取证的方法有很多种，其中一种有趣的取证方法是通过分析音频中的电网频率（俗称电流声）在音频中留下的痕迹，可以有效地检测音视频文件的产生时间，并进行各种取证。该方法由武汉大学的华光等老师提出，文末有源代码，供感兴趣的老师和同学参考。
电网频率（electric network frequency，ENF）是指交流电网的传输频率，我国标称值为 Hz（其他国家也有 Hz），是被动多媒体取证的重要判据。它之所以能够成为取证判据，主要有三个原因：首先，交流电和用电器的活动会产生以标称频率为基波的声学震动以及照明设备的灯光闪烁，这些不易被人感知的测绘软件源码振动和闪烁可以被音视频录制设备捕捉，形成一种“被动不可见水印”；其次，电网频率在标称值附近随机小范围波动，赋予了电网频率轨迹的独特性；第三，电网频率波动模式在同一电网内部所有位置保持一致，赋予了电网频率波动的一致性。经过多年的发展，电网频率判据已可用于音视频文件产生时间溯源、篡改检测与定位、地理位置溯源、重放攻击检测等取证任务。目前，电网频率分析是录音文件产生时间被动溯源的唯一有效方法。
然而，基于电网频率判据的数字取证研究仍面临一些困难。首先，并不是任意设备在任意条件下都能成功捕捉电网频率；其次，电网频率相对于录音内容和环境噪声十分微弱，提交输出源码在无法控制录音条件的实际取证任务中难以进行有效提取和分析。针对这两个问题，本项工作分别提出了录音文件中电网频率的检测和增强算法，并建立并开源了目前最大的“电网频率-武汉大学”（ENF-WHU）真实世界录音文件数据集，用于对相关算法进行全面评估。
为确认待验录音文件中是否存在电网频率以保证后续取证分析有效，本工作从信号检测理论出发，逐步放宽对信号模型的假设，推导出电网频率的一系列理论和实际检测器。其中，只有本工作提出的TF-detector为恒虚警率（CFAR）检测器。
由于信号模型和特性的巨大差异，现有语音（或其他信号）的增强的方法均无法有效增强电网频率信号。对于检测到电网频率的录音文件，为提升其可用性，本工作提出了一种适合电网频率随机小范围缓慢波动特性的鲁棒滤波算法（robust filtering algorithm，RFA），将观测到的带噪电网频率信号调制到正弦频率调频（SFM）解析信号的瞬时频率，并引入核函数，通过处理其产生的正弦时频分布，逐个恢复去噪后的电网频率观测样本，显著提升了电网频率轨迹的质量，为后续取证分析提供了可靠数据。
以上工作为提升电网频率判据在实际取证中的可靠性，促进基于电网频率判据的录音文件取证从实验室走向实际应用提供了技术支撑。相关成果于和年分别发表在IEEE Transactions on Information Forensics and Security，作者为武汉大学华光、张海剑、廖晗、王清懿、叶登攀。
ENF-WHU数据集和MATLAB程序已开源：
github.com/ghuawhu/ENF-...
Guang Hua and Haijian Zhang*, “ENF signal enhancement in audio recordings,” IEEE Transactions on Information Forensics and Security, vol. , pp. -, .
Guang Hua, Han Liao, Qingyi Wang, Haijian Zhang*, and Dengpan Ye, “Detection of electric network frequency in audio recordings – from theory to practical detectors,” IEEE Transactions on Information Forensics and Security, vol. , pp. -, .
（论文加源码）基于连续卷积神经网络（CNN）（SVM）（MLP）提取脑电微分熵特征的DEAP脑电情绪识别
在本文中，我们采用连续卷积神经网络（CNN）对DEAP数据集进行脑电情绪识别。主要内容是将脑电信号在频域分段后提取其微分熵特征，构建三维脑电特征输入到CNN中。实验结果表明，该方法在情感识别任务上取得了.%的准确率。
首先，我们采用5种频率带对脑电信号进行特化处理，然后将其转换为**的格式。接着，我们提取了每个脑电分段的微分熵特征，并对其进行了归一化处理，将数据转换为*N*4*的格式。在这一过程中，我们利用了国际-系统，将一维的DE特征变换为二维平面，再将其堆叠成三维特征输入。
在构建连续卷积神经网络（CNN）模型时，我们使用了一个包含四个卷积层的网络，每个卷积层后面都添加了一个具有退出操作的全连接层用于特征融合，并在最后使用了softmax层进行分类预测。模型设计时考虑了零填充以防止立方体边缘信息丢失。实验结果表明，这种方法在情感识别任务上表现良好，准确率为.%。
为了对比，我们还编写了支持向量机（SVM）和多层感知器（MLP）的代码，结果分别为.%和.%的准确率。实验结果表明，连续卷积神经网络模型在DEAP数据集上表现最好。
总的来说，通过结合不同频率带的信号特征，同时保持通道间的空间信息，我们的三维脑电特征提取方法在连续卷积神经网络模型上的实验结果显示出高效性。与其他相关方法相比，该方法在唤醒和价分类任务上的平均准确率分别达到了.%和.%，取得了最佳效果。
完整代码和论文资源可以在此获取。
kvcdå¶ä½
KVCDçå¶ä½
A TMPGEnc Plus
TMPGEnc Plus æ¨è使ç¨2...æ2...çæ¬ï¼å ¶ä»çæ¬å¨è½¬æ¢æ¶ä¸è½æåé³é¢ä¿¡æ¯ï¼ä¼å¯¼è´è½¬æ¢åçè§é¢æ²¡æ声é³ãæ¤å¤ä»¥2...çæ¥å¶ä½ã
å¶ä½ä¹å请å ä¸è½½æ¨¡æ¿ï¼paction 导致性能波动等问题，而 DeltaTree 通过横向分割数据管理、delta-stable 数据组织、PageStorage 存储等设计优化了性能。
DeltaTree 引擎通过在表内按 handle 列分段管理数据，采用 delta-stable 数据组织，PageStorage 存储小数据块，构建 DeltaIndex 和 Rough Set Index 等组件优化读性能。DeltaIndex 帮助减少 CPU bound 的 merge 操作，Rough Set Index 用于过滤数据块，减少不必要的 IO 操作。
TiFlash 存储层 DeltaTree 引擎在不同数据量和更新 TPS 下读性能表现优于基于 MergeTree 的实现，提供更稳定、高效的读、写性能。TiFlash 中的 PageStorage、DeltaIndex、Rough Set Index 等组件协同作用，优化数据管理和查询性能。
DeltaTree 引擎在 TiFlash 内部实现中，通过 PageStorage 存储数据，DeltaIndex 提高读性能，Rough Set Index 优化查询效率，提供了对 HTAP 场景的优化和支持。TiFlash 存储层 DeltaTree 引擎的设计和实现细节将在后续章节中详细展开。
